Avaliação do desempenho de classificadores em metalografia quantitativa

Abstract

RESUMOAs técnicas convencionais para aplicação da metalografia quantitativa têm sido cada vez mais substituídas por processos digitais devido à crescente necessidade de ganho de velocidade nas análises industriais e o processamento de imagens tem então ocupado um lugar importante nesse campo da metalurgia.Este trabalho teve como objetivo a implementação e avaliação de técnicas de inteligência e visão computacional na resolução de problemas de determinação de área de fases em aços AISI 1020. Para a comparação, três técnicas de decisão automática foram avaliadas: k-vizinhos mais próximos (KNN), que classifica os pontos da imagem através de correlação com a sua vizinhança e duas técnicas de classificação por aprendizado supervisionado: Redes Neurais Artificiais (RNA) e Máquinas de Vetores Suporte (SVM). Índices de indicação de qualidade de classificação também foram avaliados.Os resultados mostraram superioridade geral na técnica SVM no que tange, principalmente, o tempo de classificação e acurácia relativa, porém em todos os casos houve concordância com os valores de fração de área esperados para esse tipo de material, segundo análises metalúrgicas teóricas. Palavras-chave:Classificadores de Imagem, Metalografia quantitativa, Processamento de imagens, Caracterização microestrutural. ABSTRACTAs the need for increasing speed takes place at industrial processes in general, the use of digital techniques such as image processing and automatic classification have been playing an important role at materials characterization and quantitative metallography fields.The aim of this work was to develop and evaluate computational vision techniques on solving ordinary problems as the area fraction of phases determination of AISI 1020 steels. Three techniques were implemented and evaluated: k-Nearest Neighbors (KNN) which consists in classifying pixels based on their neighborhood information, Artificial Neural Networks and Support Vectors Machine, these last two centered on supervised machine learning processes. Indexes that denote classification quality were then evaluated.Concerning classification time and relative accuracy, the SVM results have shown superiority. Nevertheless, in all cases, the classification values have agreed with the area fraction values expected for this type of steel based on theoretical metallurgical analysis.

Simulação da difusão de corantes reativos em fibras de algodão

“…Conforme Harris (2001), um espectrofotômetro é um equipamento capaz de medir a absorbância da luz. Os requisitos básicos deste equipamento estão apresentados na Figura 2.8.…”

“…O vidro é apropriado para a espectroscopia visível, mas não para a espectroscopia ultravioleta, sendo utilizadas cubetas de quartzo para este caso. A espessura mais comum das cubetas é de 1,00 cm (HARRIS, 2001).…”

“…Beer estudou o efeito da concentração do constituinte colorido da solução sobre a transmissão e a absorção da luz. O resultado encontrado por Beer, baseado nos fundamentos de Lambert, pode ser escrito pela Equação 2.2, a qual representa a lei fundamental da colorimetria e da espectrofotometria, conhecida como lei de Lambert-Beer ou, somente, como lei de Beer(HARRIS, 2001;VOGEL, 2008).…”

“…forma de uma equação diferencial. Com manipulações matemáticas, Lambert determina a absorbância, A, do meio, dada pela Equação 2.1(HARRIS, 2001;VOGEL, 2008).…”